自己寫的一個用java實現的一個語法分析器，是LR的貌似，很久以前的，大家可以看看
上傳時間： 2014-01-06
上傳用戶：Andy123456
綜合運用所學知識，集成詞法分析、符號表管理等程序的成果，編程實現LR（0）算法
標簽：
上傳時間： 2017-06-28
上傳用戶：yuchunhai1990
語音識別中的說話人自適應研究.nh 1.MAP和MLLR算法比較 文章在討論由說話人引起的聲學差異基礎上，研究兩種基于模型 的自適應算法:最大似然線性回歸(州壓LR)和最大后驗概率(MAp)。 實驗結果表明，不論采用哪種自適應都能使識別率有一定的提升。兩 種算法之間的差異性在于MAP具有良好的漸進性，但收斂性較差， 而MLLR在很大程度上改善了收斂特性，但其漸進特性卻不如MAP。 文章討論了在側汰P自適應中，初始模型參數的先驗知識對自適 應效果的影響，以及在MLLR中，回歸類對自適應效果的影響。文 章還進一步研究了采用兩種算法的累加自適應效果，從結果看MAP 和MLLR結合的方法比單獨使用M[AP和MLLR的效果要好。文章 還對包括基于特征層的歸一化算法和用于基于聲學模型的MLLR算 法等效性進行討論，并給出了統一的算法框架。
上傳時間： 2014-01-09
上傳用戶：bakdesec
QualNet Sensor Networks Library QualNet’s new Sensor Networks Library is a much awaited feature set that supports the IEEE 802.15.4 standard, otherwise known as Zigbee. Zigbee networks are Wireless Personal Area Networks (WPANs) that are defi ned by a low data rate, long battery life, and secure networking. Zigbee networks support automation and remote control
標簽： Networks QualNet Library Sensor
上傳時間： 2017-07-30
上傳用戶：CSUSheep
多個程序，C++編寫的。自己在做編譯課設時搜集參考用的，呵呵，都放上來了，有各種語法寫的，LL(1),LR的，遞歸下降的，還有語義分析部分，有四元式，逆波蘭式等等，而且每個都能調試運行。（不好的，我可不拿出來現眼）……
標簽： 程序
上傳時間： 2017-09-11
上傳用戶：wuyuying
設計題三：條件語句的語法分析及語義分析程序設計。 1．目的 通過設計、編制、調試一個語法及語義分析程序，加深對語法及語義分析原理的理解。 2．設計內容及要求 IF 〈布爾表達式〉 THEN 〈賦值語句〉 ELSE 〈賦值語句〉 其中 （1）可以選擇遞歸下降法、LL（1）、算符優先分析法、LR法完成以上任務，中間代碼選用四元式。 （2）如1題寫出符合分析方法要求的文法，給出分析方法的思想，完成分析程序設計。 （3）編制好分析程序后，設計若干用例，上機測試并通過所設計的分析程序。
上傳時間： 2013-12-24
上傳用戶：頂得柱
% 生成訓練樣本集 clear all; clc; P=[110 0.807 240 0.2 15 1 18 2 1.5; 110 2.865 240 0.1 15 2 12 1 2; 110 2.59 240 0.1 12 4 24 1 1.5; 220 0.6 240 0.3 12 3 18 2 1; 220 3 240 0.3 25 3 21 1 1.5; 110 1.562 240 0.3 15 3 18 1 1.5; 110 0.547 240 0.3 15 1 9 2 1.5]; 0 1.318 300 0.1 15 2 18 1 2]; T=[54248 162787 168380 314797; 28614 63958 69637 82898; 86002 402710 644415 328084; 230802 445102 362823 335913; 60257 127892 76753 73541; 34615 93532 80762 110049; 56783 172907 164548 144040]; @907 117437 120368 130179]; m=max(max(P)); n=max(max(T)); P=P'/m; T=T'/n; %-------------------------------------------------------------------------% pr(1:9,1)=0; %輸入矢量的取值范圍矩陣 pr(1:9,2)=1; bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm'); %建立BP神經網絡， 12個隱層神經元，4個輸出神經元 %tranferFcn屬性 'logsig' 隱層采用Sigmoid傳輸函數 %tranferFcn屬性 'logsig' 輸出層采用Sigmoid傳輸函數 %trainFcn屬性 'traingdx' 自適應調整學習速率附加動量因子梯度下降反向傳播算法訓練函數 %learn屬性 'learngdm' 附加動量因子的梯度下降學習函數 net.trainParam.epochs=1000;%允許最大訓練步數2000步 net.trainParam.goal=0.001; %訓練目標最小誤差0.001 net.trainParam.show=10; %每間隔100步顯示一次訓練結果 net.trainParam.lr=0.05; %學習速率0.05 bpnet=train(bpnet,P,T); %------------------------------------------------------------------------- p=[110 1.318 300 0.1 15 2 18 1 2]; p=p'/m; r=sim(bpnet,p); R=r'*n; display(R);
上傳時間： 2016-05-28
上傳用戶：shanqiu
LR（0）文法的判定（☆☆☆） 要求：輸入文法，輸出判斷該文法是否是LR（0）的。
上傳時間： 2017-05-24
上傳用戶：838798360
Reconstruction- and example-based super-resolution (SR) methods are promising for restoring a high-resolution (HR) image from low-resolution (LR) image(s). Under large magnification, reconstruction-based methods usually fail to hallucinate visual details while example-based methods sometimes introduce unexpected details. Given a generic LR image, to reconstruct a photo-realistic SR image and to suppress artifacts in the reconstructed SR image, we introduce a multi-scale dictionary to a novel SR method that simultaneously integrates local and non-local priors. The local prior suppresses artifacts by using steering kernel regression to predict the target pixel from a small local area. The non-local prior enriches visual details by taking a weighted average of a large neighborhood as an estimate of the target pixel. Essentially, these two priors are complementary to each other. Experimental results demonstrate that the proposed method can produce high quality SR recovery both quantitatively and perceptually.
標簽： Super-resolution Multi-scale Dictionary Single Image for
上傳時間： 2019-03-28
上傳用戶：fullout
Today wireless is becoming the leader in communication choices among users. It is not anymore a backup solution for nomadic travellers but really a newmoodnaturallyusedeverywhereevenwhenthewiredcommunicationsare possible. Many technologies evolve then continuously, changing the telecom- munication world. We talk about wireless local area networks (WLANs), wire- less personal area networks (WPANs), wireless metropolitan area networks (WMANs), wireless wide area networks (WWANs), mobile ad hoc networks (MANETs), wireless sensor networks (WSNs) and mesh networks. Since we can find today a multitude of wireless technologies we decided to group a numberofcomplementarytechnologiesintoonedocumenttomakeiteasierfor areadertounderstandsomeofthetechnicaldetailsofeachmedia.
標簽： TM Bluetooth Zigbee Wi-Fi WiMax and
上傳時間： 2020-06-01
上傳用戶：shancjb
